2026-10-20 短讯
本页 29 条：14 条有单独页面，15 条是短讯。
短讯汇总把同一天或同一周的简短动态放在一起。单独打开时，这些短讯往往只有标题和一两句说明，不适合各自成为一篇文章。达到重要度门槛的进展仍然保留自己的页面，并在汇总里列出标题。
有单独页面的进展
记忆张量开源记忆原生模型 MemT-1.0：基于 DeepSeek-V4-Flash 和 Qwen3.6，把记忆放进模型计算、不必回传历史；官方承认文本记忆系统整体仍领先
METR 评审 Anthropic 失调风险报告：同意风险低，但主要因为模型能力有限；认为 Anthropic 监控弱于公开证据所示，建议公开 4 项删改内容
中国商务部连发两文回应美国：反对联邦系统禁用 DeepSeek、反对以窃密为由制裁奇绩创坛等 5 家企业，称将采取必要措施，暂未公布具体反制
Anthropic：Claude 64 小时为蝎毒神经毒素设计蛋白结合体，211 个送检设计中 17 个合格、最强达个位数纳摩尔；多毒素通用设计失败，尚未做中和实验，数据全部公开
美国依《保护美国知识产权法》制裁陆奇创办的奇绩创坛和前谷歌工程师创立的至算科技，理由是窃取 AI 商业秘密
开源分布式推理项目 llm-d 发布 1.0：红帽、IBM、谷歌云等发起的 CNCF 项目加入多租户服务质量、零停机运维和面向智能体的路由
谷歌开源 TorchTPU：与 Meta 合作开发的原生 PyTorch TPU 支持栈，Transformers、vLLM、SGLang 同步接入，谷歌称 8192 颗 Ironwood 上 MFU 最高 52%
微软研究院发布 BioEmu2 公开预览：覆盖蛋白质、核酸和小分子的生物分子结构与动力学基础模型，MIT 许可开放权重
DeepSeek 开源线上推理框架 DeepInfer：支撑 V4.1 Flash 大规模服务，可跑英伟达 SM100 和华为昇腾 950，Apache 2.0 许可；官方称单集群日吞吐 155 万亿 token
蚂蚁百灵开源 Ming-3.0 语音模型系列：五个模型均为 MIT 协议，0.5B 语音合成模型登顶 Artificial Analysis 开源音色克隆榜，另有 126B（激活 6.5B）音频理解模型和支持方言的语音识别
OpenAI 开源 MultiLangBench：GPT-6 Astra 用 20 种语言从零写 SQLite 平均通过率 87.4%，GPT-6.1 Sol 的 COBOL 迁移准确率达 97.9%
Black Forest Labs 与 fal 推出 FLUX 3 Max 视频模型：10 秒视频约 11 到 12 秒生成，Artificial Analysis 初步图生视频评测并列第一
德国经济部、研究部与英伟达签署联合意向声明：基于 Nemotron 和 Cosmos 开发前沿物理 AI 与开放工业模型，新闻稿未披露金额
美国国土安全部命令联邦民事机构移除 DeepSeek，基于其模型的第三方产品也在内，并禁止今后采购；这份 FASCSA 命令 7 月 24 日就已签发
短讯
谷歌开源端侧 AI 芯片标准 Coral NPU 完成 32 位架构、编译器发布 1.0；Synaptics 推出首批商用芯片 Astra SR200，算力 200–400 GOPS
【要点】
谷歌研究院 10 月 20 日在谷歌开发者博客宣布，开源端侧 AI 芯片标准 Coral NPU 走完三个里程碑；同一天（北京时间 20:30）Synaptics 在 Tech Day 上发布首批基于它的商用芯片 Astra SR200。
一、架构完整：本月发布矩阵执行单元（第 4 个里程碑）后，32 位 Coral NPU 架构齐了。它基于 RISC-V，矩阵单元每周期 256 次乘加，最高可配到 1 TOPS，推理平均功耗目标 10 毫瓦。完整 32 位 RTL 已在 GitHub 公开（Apache-2.0）。
二、编译器 1.0：基于 IREE/MLIR 的开源编译器发布 v1.0，可把 JAX、PyTorch、TensorFlow 模型直接编译到 Coral NPU，配开源 MPACT 模拟器和参考 FPGA 设计。
三、商用芯片：Synaptics Astra SR200 系列微控制器，内置第二代 Coral NPU IP，分 SR210、SR230、SR250 三档，算力 200、300、400 GOPS，面向可穿戴设备、电池供电传感器、摄像头和工业视觉语音设备；搭配可扩展到数百 MB 的定制 DRAM。
四、开发板：新发布 Coralboard SR 开发套件；1 TOPS 的 Coralboard SL 通过 DigiKey 全球开售。
五、产业链：VeriSilicon 负责设计实现和验证，GlobalFoundries 在 12LP+ 工艺上做适配；下一步是 64 位架构和 CHERI 安全支持。
【可核验】
谷歌开发者博客：https://developers.googleblog.com/unifying-edge-ai-how-coral-npus-open-standard-brings-portable-energy-viable-intelligence-from-model-to-silicon/
Synaptics 新闻稿：https://www.globenewswire.com/news-release/2026/10/20/3384402/0/en/synaptics-launches-the-xmcu-era-with-the-astra-sr200-series-of-multimodal-edge-ai-processors.html
GitHub：https://github.com/google-coral/coralnpu
【我们的判断】
一、端侧 AI 芯片厂商各有私有工具链，开发者换一颗芯片就要重新量化、重写算子。谷歌押的是开放硬件加开源编译器：同一个模型编译一次，就能部署到不同厂商的芯片上。
二、有了能量产的商用芯片和开发板，Coral NPU 从研究项目进入可用阶段；能不能成为端侧标准，要看 Synaptics 之外还有多少芯片厂商采用。
三、1 TOPS、10 毫瓦和各档算力都是谷歌和 Synaptics 公布的设计目标与规格，还没有第三方实测。
Skyfall AI 发布“工程世界模型”SKY-001，面向 CAD 和 BIM 设计：自称比 GPT-6 Astra 等前沿模型快 51–125 倍、便宜 150–210 倍，目前只开放候补申请
【要点】
Skyfall AI 10 月 19 日（北京时间 10 月 20 日 01:58 起）在 X 上发布 SKY-001，称其为“第一个工程世界模型”。Skyfall 由 Maluuba 联合创始人创办（Maluuba 后被微软收购，团队并入微软研究院加拿大），投资方包括 Fidelity、Touring Capital、M13 和 Inovia Capital。
一、做什么：官方介绍说，SKY-001 是“组合式视觉世界模型”，可以在动手制造前先“想象”出一个设计：并行探索多种方案，把物体拆到最小零件，再在 3D 中重新组装，结果可以在 Autodesk Fusion 等 CAD 软件中打开。
二、厂商自报成绩：创始人兼 CEO Sam Pasupalak 称，在 CAD 和 BIM 任务上，SKY-001 比 GPT-6 Astra 及其测试的所有前沿模型快 51–125 倍、便宜 150–210 倍，IoU（重合度）也更高；公司帖还提到对比对象包括 Fable 5.1。研发用时 18 个月。
三、现状：目前只能在官网申请早期访问（候补名单），没有公开 API、论文或评测细节。公司在回复中说明，SKY-001 现阶段是潜空间世界模型，下一步才是接入 CAD 软件、让 VLA 智能体真正去“造”零件。
【可核验】
公司发布帖：https://x.com/skyfallai/status/2112246201437553045
创始人发布帖（含 2 分 36 秒演示视频）：https://x.com/spisallyouneed/status/2112242023805964327
公司对“现阶段能力”的说明：https://x.com/skyfallai/status/2112337463238951145
官网：https://skyfall.ai
【我们的判断】
一、把“世界模型”从游戏、视频和机器人仿真延伸到工程设计，是一个值得关注的新方向；创始人帖子在一天内获得约 320 万次浏览，讨论热度很高。
二、速度、成本和精度对比全部来自厂商自测，任务集、评分方法和对比模型的设置都没有公开，目前无法独立复现，宜看作厂商说法。
三、按公司自己的说法，接入 CAD 软件、真正执行建模操作仍是下一步工作；离“自动化制造”还有不小距离，开放试用和第三方评测之后才能判断实际价值。
The Information：Altman 在 OpenAI 全员会上谈三种 AI 终局——IAEA 式国际监管（他看起来倾向）、各实验室合并成“AI 界的 CERN”、一家公司断掉所有对手的算力
【要点】
The Information 10 月 20 日（北京时间约 07:47）发布报道，记者 Stephanie Palazzolo 和 Amir Efrati 援引知情人士称：OpenAI CEO Sam Altman 上周在全员会上向员工介绍了业界讨论过的三种“安全发展 AI 的终局”方案。
一、建立类似国际原子能机构（IAEA）的国际组织来强制执行安全标准。据两名知情人士说，Altman 看起来倾向这一方案。
二、Altman 称之为“Demis 方案”（取自 Google DeepMind 创始人 Demis Hassabis 多年前的设想）：把各家 AI 实验室合并为一个机构，相当于“AI 界的 CERN”，共同开发。
三、“Eliezer 方案”（取自 AI 安全研究者 Eliezer Yudkowsky）：某一家公司率先实现递归自我改进，获得足够的经济实力后断掉其他所有开发者的算力，标题中的说法是“熔掉其他所有人的 GPU”。报道称这不是 Altman 倾向的方案。
报道把这番话放在特朗普政府刚开始建立“超级智能”开发者监管体系的背景下。OpenAI 尚未公开回应。
【可核验】
The Information 报道（付费墙，标题与导语可读）：https://www.theinformation.com/articles/altman-describes-three-endgames-ai-including-one-single-firm-melts-everyone-elses-gpus
作者 Amir Efrati 的 X 帖：https://x.com/amir/status/2112331218964693065
作者 Stephanie Palazzolo 的 X 帖：https://x.com/steph_palazzolo/status/2112369785514373403
【我们的判断】
一、这三种方案都不新：OpenAI 2023 年 5 月的《超级智能治理》一文就提过类似 IAEA 的国际机构和由各国政府牵头的联合项目。新的是场合：白宫开始监管前沿实验室之际，CEO 对内部员工讲这些。
二、信息来自匿名知情人士和付费报道，原话和会议细节无法独立核实，Altman 的具体立场应以后续公开表态为准。
三、值得看 OpenAI 是否会在公开场合重申支持 IAEA 式机构，以及这与它对白宫监管框架的态度是否一致。
Notion 重做第六代智能体底座：单任务可连续运行 24 小时以上、自带电脑和浏览器，Auto 路由称效果接近 Opus 5.5 和 Astra、成本低约 90%
【要点】
Notion 联合创始人 Akshay Kothari 10 月 19 日（北京时间 10 月 20 日 01:00）在官方博客宣布重做 Notion AI。这是 Notion 第六代智能体底座（harness），核心变化有四点：
一、长任务：每个会话跑在专用服务上，由队列驱动的 worker 循环执行，服务重启也能接着跑，单个任务可以连续运行超过 24 小时（此前上限 5 分钟）。
二、智能体有了自己的电脑和浏览器，能写短脚本直接执行，而不是全靠模型逐 token 生成；长对话会自动压缩（优先用各模型厂商原生的压缩能力），大块工具输出移出上下文。新增“Review for me”模式，用另一个模型在动作执行前判断是否安全。
三、模型路由 Auto 升级：按任务在质量、速度、成本之间自动选模型，卡住时会换模型重试。Notion 称在 20 多个常见场景里，Auto 的效果与 Opus 5.5、Astra 相近，平均成本低约 90%；Custom Agent 运行成本在测试中低约 30%。
四、自带 AI：ChatGPT Plus/Pro/Go 订阅可直接接入个人 Notion Agent（暂不含 Custom Agents）；企业版 BYOK（自带模型密钥）进入私有 alpha；Notion MCP 改版。
计费同步改为两类额度：Business 和 Enterprise 每席位每月 1,500 个 Standard 额度（由 Auto 选模型）和 500 个 Select 额度（自选模型或运行 Custom Agents）。新客户即日生效，老客户 11 月 2 日切换。管理员用的 AI Command Center 将随后上线。
【可核验】
官方博客：https://www.notion.com/blog/notion-ai-more-for-less
更新日志：https://www.notion.com/releases/2026-10-19
Auto 帮助文档：https://www.notion.com/help/auto
【我们的判断】
一、“24 小时任务 + 自带电脑 + 安全复核模型”说明办公类智能体正在照搬编程智能体的底座做法，Notion 是把这套能力推给大量非技术用户的较大平台之一。
二、“效果接近 Opus 5.5、成本低 90%”是 Notion 自己的内部评测，场景与评分方法没有公开，宜看作厂商说法。
三、拆成两种额度、把高价模型放进 Select 额度，说明前沿模型的推理成本仍在倒逼应用厂商做路由和限额；老用户 11 月 2 日切换后的实际额度消耗值得观察。
The Intercept 披露美国陆军网络司令部 ECHOTRIBBLE 项目：寻求能在网络中自我复制、在极少人工监督下“清除”目标的自主 AI 智能体，10 月 8 日已选定一家供应商
【要点】
调查媒体 The Intercept 10 月 19 日（北京时间 18:00）发布报道，依据其获得的承包商文件披露：美国陆军网络司令部（ARCYBER）正在推进代号 ECHOTRIBBLE 的“智能体 C2 框架”项目，目标是让 AI 智能体自主穿越网络基础设施，识别并“清除”指定威胁或目标。
文件写明，该项目“主要面向”进攻任务，“清除”包括暂时或彻底瘫痪目标、从目标中删除威胁；智能体需在极少人工监督下运行，具备“自主行为”，能部署在对抗性、物理隔离（air-gapped）和云原生环境中，强调隐蔽、尽量少回传。6 月 24 日面向供应商的演示文稿举例称，程序上传到一台笔记本后会自行发现同网段的其他目标，并为 iPad、苹果台式机和 Windows 11 电脑分别生成定制副本；任务完成后自毁。
负责对接的国防非营利机构 Cyber Fusion Innovation Center（CFIC）官网显示：项目共收到 65 份白皮书，前五名于 10 月 6–8 日做了线上演示，10 月 8 日选定一家公司授标，后续将签工作说明书和合同。ARCYBER 未回应 The Intercept 的提问，包括如何防止误伤。
【可核验】
The Intercept 报道：https://theintercept.com/2026/10/19/army-autonomous-ai-agents-arcyber/
CFIC 项目页（评估活动与结果）：https://www.cyberfic.org/events/echotribble-ae
【我们的判断】
一、这是公开材料里少见的、明确以进攻为目的的自主 AI 网络武器采购：要求的能力（自我复制、隐蔽横向移动、极少人工干预）恰好是 AI 安全研究里通常被列为高风险、需要严格限制的那几项。
二、项目仍在原型阶段，没有证据显示已有可用工具；中标公司名称、所用模型和安全约束都未公开。
三、看点在后续合同细节，以及模型厂商的使用政策是否允许、会怎样回应这类军事用途。
Together AI 推出托管后训练服务：用户自写 RL/SFT 训练循环、平台管 GPU，首批支持 GLM 5.3、Kimi K3、Qwen 3.8-27B 等开源模型，兼容 Tinker，前八周 B200 每小时 9 美元
【要点】
Together AI 10 月 19 日（北京时间 10 月 20 日 01:07 在官方账号公布）推出 Together Post-Training，一项面向开源模型的托管式后训练服务，支持强化学习（RL）和监督微调（SFT）。和它原有的微调服务不同，整个训练循环由用户自己写：数据、奖励、环境和智能体框架都由用户定义，Together 负责底层 GPU、训练和采样（rollout）基础设施。
首批支持的模型是 Muse Spark Open、GLM 5.3、Kimi K3 和 Qwen 3.8-27B，Together 称未来几周会加入更多模型。每个实验跑在独占的 GPU 资源上，可以做 LoRA（多个 LoRA 适配器可共用同一份 GPU），部分模型还支持全参数训练；内置交叉熵、GRPO、CISPO、DPPO 等损失函数，也能在本地算自定义目标再把梯度发给训练端，并支持异步 RL。按 GPU 分钟计费，前八周 B200 优惠价每 GPU 小时 9 美元。
原来用 Tinker API 的项目只需改一行 import 就能迁移。训练好的多个 LoRA 可以在同一个部署里切换着用，也能合并后以 FP4 精度上线。Together 称这项服务 4 月起已对部分客户开放测试。
【可核验】
Together AI 官方博客：https://www.together.ai/blog/together-post-training
官方文档：https://docs.together.ai/docs/post-training/overview
Tinker 迁移指南：https://docs.together.ai/docs/post-training/migrate-from-tinker
示例代码仓库：https://github.com/togethercomputer/post-training-cookbook
官方帖子：https://x.com/togethercompute/status/2112229246802301248
【我们的判断】
一、托管后训练正成为一个独立的赛道：Thinking Machines 的 Tinker 在前，Together 直接兼容 Tinker 的接口来抢用户，说明“自己写训练循环、别人管 GPU”这种模式已有现成需求。
二、四个首发模型全是开源权重，其中三个来自中国（GLM、Kimi、Qwen）。开源模型加定制后训练，正在成为企业替代闭源 API 的主要路线之一。
三、训练质量、速度和成本的说法都是 Together 自己讲的，博客没有给出对比数据；每 GPU 小时 9 美元是前八周的优惠价，长期价格和全参数训练支持哪些模型，要看文档后续更新。
Viggle 发布物理原生世界模型 JST-2：约 1 秒生成 3D 场景、角色免绑骨即可动，PINOC 免费试用并开放 API
【要点】
做表情包视频应用起家的 Viggle 10 月 19 日（北京时间 10 月 19 日 23:20）发布 JST-2，称是“物理原生”的世界基础模型：不在像素或视频空间里学习，而是把世界表示成 3D 空间里持续存在的“原子”，每个原子有明确的 xyz 位置和描述属性、动态的向量，用同一套架构生成场景、角色和动作。
场景：从文字或图片生成可漫游的 3D 场景，解码成 3D 高斯泼溅在浏览器本地渲染；Viggle 称在 NVIDIA B200 上约 1 秒生成一个场景、推理成本不到 0.01 美元，对比 World Labs 的 Marble 约需 5–6 分钟；最多可用 64 个视角作为空间上下文，逐步扩展场景，也能从稀疏的真实照片重建环境。
角色和动作：一张图（即使被裁切或遮挡）生成可直接动起来的全身 3D 角色，不需要单独绑骨骼；也能从文字或视频生成全身动作，并兼容标准角色骨架。Viggle 的盲测对比 Meshy 7.1、Tripo H3.1 和 HY-Motion-1.0 等，称 JST-2 领先。
现在可在浏览器应用 PINOC 免费试用，也开放 API 和 MCP 接入。
【可核验】
官方发布页：https://viggle.ai/jst2
官方发布帖：https://x.com/ViggleAI/status/2112202242048528540
角色评测报告：https://viggle.ai/research/jst2-character
【我们的判断】
一、多数世界模型从视频学习、事后再重建 3D；JST-2 直接在 3D 表示上建模，若速度和成本属实，交互式造景会便宜很多。
二、对比和盲测都是 Viggle 自己做的，与 Marble 的速度比较也只算模型推理时间，需要第三方复测。
三、它同时瞄准游戏、动画和机器人仿真环境，但在机器人场景里是否可用，目前还只是方向，没有公开的成绩。
Shashua 的 doubleAI 推出“代码执行模型”Maxwell：不改源码、运行中重写 CPU/GPU 指令提速，每处改动都有形式化证明
【要点】
前 Mobileye 首席执行官 Amnon Shashua 创办的以色列公司 doubleAI 10 月 19 日推出首个产品 Maxwell，称是第一个“代码执行模型”。它不帮人写代码，而是盯着程序运行时的硬件和数据，在不改源代码的前提下重写底层机器指令来提速，并对每一处替换做形式化证明，保证程序行为与原来完全一致。CPU 和 GPU 都适用。
官方给出的演示数据：数据处理流水线最高快 38 倍，AI 推理内核快约 4.25 倍；LTX-2.5 在两张 B200 上生成一段 4K 视频从 250 秒降到 134 秒（1.87 倍）；RTX 4090 上 Whisper 语音转写 180 条从 106 秒降到 50 秒；NetworkX 图计算从 61 秒降到 17.5 秒。公司计划按为客户省下的算力成本收费，目前是申请制早期使用。
《华尔街日报》报道该公司获英伟达投资；融资金额各家报道不一，doubleAI 官网未单独公布。
【可核验】
Maxwell 官网：https://heymaxwell.ai/
LTX-2.5 案例：https://www.doubleai.com/research/maxwell-ltx-2-5-4k-in-half-the-time
Ctech 报道：https://www.calcalistech.com/ctechnews/article/sk11xpc73ge
【我们的判断】
一、编程智能体都在“写代码”这一端竞争，Maxwell 选择“让已有代码跑得更快”，直接对应算力账单，按省下的成本收费也说明它瞄准的是企业基础设施预算。
二、所有加速倍数都是公司挑选的案例，最高倍数通常出现在原本优化不足的代码上，通用场景能省多少还要看客户实测。
三、“每处改动都有形式化证明”是它与普通编译器优化或大模型改写代码的关键区别，但证明覆盖的范围和局限，公开资料里还不多。
微软开源编程智能体评测平台 Scope：让 Copilot、Claude Code 反复跑同一任务，检验智能体能否用好你的 SDK、文档和工具
【要点】
微软 10 月 19 日（北京时间 10 月 20 日 00:00）在开源博客发布 Scope，一个用来评测 AI 编程智能体的开源平台，MIT 许可，基于 Kubernetes，也可以用 Docker Compose 在本地跑。它由微软开发者关系团队做了一年多。
Scope 不是排行榜，而是给做 SDK、命令行工具、MCP 服务器或技能的团队用的：给智能体布置有代表性的任务（可附起始代码库），让它实际跑完，记录每一步操作、日志和工作区快照，再由一个基于大模型的“裁判”按一组有依赖关系的评判标准打分。目前支持驱动 GitHub Copilot、Claude Code 和 VS Code 里的 Copilot。每次运行的配置（模型、智能体版本、技能、MCP 服务器、扩展）都存成不可修改的版本，方便日后重跑对比。
微软给的案例来自 Azure Cosmos DB 团队：在 8 个端到端场景、5 种语言里对比“裸模型”和自家 Agent Kit，据此修了 20 个 Agent Kit 问题和 27 处文档问题；一次针对性更新后，智能体使用分层分区键的比例从 47% 升到 100%，使用 OFFSET/LIMIT 的比例从 47% 降到 0%。
【可核验】
微软开源博客：https://opensource.microsoft.com/blog/2026/10/19/introducing-scope-open-source-evaluation-for-ai-coding-agents/
代码仓库：https://github.com/microsoft/scope
文档：https://microsoft.github.io/scope/
【我们的判断】
一、Scope 把“智能体能不能用好你的产品”变成了可以重复做的实验，这是“开发者体验”之外正在成形的新工作：为智能体写文档、设计 SDK。
二、Cosmos DB 的数字只是微软自家一个产品、少量场景下的结果，微软也说明这不代表各家智能体的通用排名。
三、评分依赖大模型裁判，裁判本身的偏差需要用户自己抽查；开源的好处是评测方法可以被检查和改进。
Anthropic 授权使用 OPAQUE 机密 AI 技术并招入其 CEO、CTO 等部分团队，OPAQUE 结束运营
【要点】
机密计算公司 OPAQUE Systems 10 月 13 日在官网宣布，团队将加入 Anthropic，「延续 OPAQUE 的工作」；公司官网首页同时写明 OPAQUE Systems 正在结束运营。
据 The Information 报道，Anthropic 表示这笔交易是授权使用 OPAQUE 的技术，并聘用部分员工，其中包括 CEO Aaron Fulkerson 和 CTO Rishabh Poddar；交易金额、授权范围和加入人数都没有公开。OPAQUE 没有被整体收购，部分员工另谋出路。
OPAQUE 源自 UC Berkeley RISELab 的研究，联合创始人包括 Databricks 联合创始人 Ion Stoica 和密码学家 Raluca Ada Popa。它做的是「机密 AI」：用硬件隔离让企业在敏感数据上跑 AI，并用密码学证据证明跑了什么、在哪跑、按什么策略跑。它在 AgenTrust 下维护的开源项目（Weight Custody Manifest、Confidential MCP、TRACE 等）按原许可继续开放。
【可核验】
OPAQUE 公告：https://www.opaque.co/resources/articles/from-berkeley-research-to-the-future-of-ai-opaques-next-chapter
OPAQUE 官网结束运营说明：https://www.opaque.co/
The New Stack 报道（引 The Information）：https://thenewstack.io/anthropic-opaque-confidential-computing/
【我们的判断】
一、这是 Anthropic 又一次「授权加招人」式的交易：拿到技术和核心团队，但不整体收购公司。
二、机密计算和可验证执行，正是银行、医疗这类受监管客户把敏感数据交给模型时最先问的问题，这笔交易补的是 Anthropic 企业业务的信任基础设施。
三、Anthropic 没有说明这些技术何时、以什么形式进入 Claude 产品，目前只能确认人和授权到位。
前英伟达 GR00T 团队创办的 Dream Labs 发布机器人模型 Dream-1：公共 API 每小时 3 美元起，并完成 9000 万美元种子轮
【要点】
由前英伟达 GR00T 机器人研究团队创办的 Dream Labs 10 月 19 日（北京时间 10 月 20 日 01:00）结束隐身，发布机器人基础模型 Dream-1，并宣布完成 9000 万美元种子轮融资，由 B Capital 和 Kindred Ventures 领投。
Dream-1 被称为「世界动作模型」：用人类做日常家务的视频训练，先预测场景接下来会怎样，再算出机器人该怎么动。官方说法是，只要是带平行夹爪的双臂机器人，接上 API 发送摄像头画面和一句英文指令，就能零样本直接干活，不需要这台机器人自己的数据。
开放方式：通过公开的 Dream API 按小时计费，官方博客写 Dream-1 每小时 3 美元、更轻快的 Dream-1-flash 每小时 2 美元（每次调用返回 1.6 秒动作）。目前以桌面任务为主，比如抓放和叠衣服；对差距大的机型提供「微调即服务」，官方演示用 5 分钟到约 1.5 小时的该机型数据就能适配。公司称已有 20 多家硬件合作方。据 Forbes 报道，公司称零样本抓放成功率约八成，其他任务在五到六成。
【可核验】
官方发布：https://dreamlabs.ai/research/dream-1/
融资新闻稿（Business Wire）：https://www.financialcontent.com/article/bizwire-2026-10-19-dream-labs-raises-90m-seed-to-build-the-brain-for-everyday-robots
【我们的判断】
一、机器人模型通常只开放演示视频，Dream Labs 直接开放按小时计费的公共 API，让外部团队可以自己测试，包括失败的情况，这一点比成绩更值得关注。
二、「跨机型零样本」是机器人领域最难的问题之一。现在的成功率离量产还远，官方也承认要靠微调补齐。
三、成本和成绩对比来自厂商和它引用的第三方评测，要等更多开发者实测。
Meta 公布 Muse Glimmer 30B 技术报告：从 Muse Spark 蒸馏、为 32GB 显存选稠密结构，工具调用领先同级开放模型
【要点】
Meta 10 月 19 日（北京时间 10 月 20 日 03:33）发布 Muse Glimmer 30B 的技术报告。这款开放权重模型 8 月 10 日首发，Meta 超级智能实验室（MSL）主打在消费级硬件上本地跑智能体任务。报告首次公开了它的结构和训练方法。
结构：约 296 亿参数的稠密 Transformer，外加约 18 亿参数的视觉编码器，支持图文输入、文字输出；52 层，GQA 注意力只有 2 个 KV 头，每 3 层滑动窗口（2048）配 1 层全局注意力，上下文 128K 以上。Meta 说在 32GB 显存这个硬约束下做过对比，稠密结构的计算效率是同等显存 MoE 方案的 2 到 2.5 倍，所以没用 MoE。
训练：预训练阶段直接用 Muse Spark 做 logit 蒸馏，后训练依次是 SFT、强化学习和在线策略蒸馏；发布全精度、约 4 比特量化权重，以及一个用于推测解码的 DFlash 头，Apache 2.0 许可。报告称它可以在单张 RTX 5090 上以实用速度运行。
成绩（Meta 自测，高推理档）：MCPAtlas 75.5，对比 Gemma4-31B 54.2、Qwen3.6-27B 62.5；SWE-Bench Pro 51.2；但 TerminalBench 2.1、OSWorld-Verified 和 GDPval-AA 仍落后 Qwen3.6-27B。
【可核验】
技术报告页：https://ai.meta.com/research/publications/muse-glimmer-30b-an-on-device-agentic-model/
Meta 发布帖：https://x.com/AIatMeta/status/2112265822274302066
模型权重：https://huggingface.co/meta-models/Muse-Glimmer-30B
【我们的判断】
一、这份报告的价值在于「怎么做」：用前沿大模型直接蒸馏出 30B 小模型，再针对 32GB 显存选择稠密结构，给本地智能体模型提供了一份可复现的配方。
二、成绩全是 Meta 自测。在工具调用上领先明显，但编程和电脑操作类测试并没有全面胜出；社区已经有人指出表里没有比较更新的 Qwen3.8-27B。
三、模型本身两个月前就已发布，这次是补上技术细节，不是新模型。
Cloudflare 推出 System One 抽取模型 Clairic 预览版：一次前向传播返回带类型的抽取值、估计和预测，不生成 token，计划开源权重
【要点】
Cloudflare 10 月 19 日（北京时间 10 月 20 日 01:48）发布 Clairic 预览版，称它是新一类 System One 模型：「抽取模型」。模型已托管在 Workers AI 上（@cf/cloudflare/clairic），Cloudflare 表示「很快」会开源权重。
此前的 System One 模型，比如 TypeSafe 的 Jev 和 Cloudflare 自家的 Clef，都是决策模型，只能在给定选项里打概率。Clairic 改做回归和抽取：输入一段文本（可附最多四张图片）和一组带类型的字段，一次前向传播就返回每个字段的值，不生成 token、只按输入计费，通常一秒内出结果。它能做四类事：从原文摘出名字、订单号等片段并给出字符位置；读出或算出数字、日期、时长、列表；根据证据估计原文没写的值，给出中位数和 80% 区间；预测时间序列的下一步。每个答案都带置信度和「为空」概率，找不到就返回 null。
Cloudflare 给出的测试：用 Clairic 抽取、Clef 决策、GLM-5.3 写回复的流水线处理售后索赔，端到端 19.3 秒，全用 GLM-5.3 要 61.7 秒，成本低 49%。对 TSA 安检人数做 21 天逐日预测，平均误差 3.3%，21 天里有 17 天落在 80% 区间内。官方也说明，多步算术、跨多行汇总还不可靠，预测能力只是基础水平。
【可核验】
Cloudflare 博客：https://blog.cloudflare.com/clairic-extraction-model/
模型文档：https://developers.cloudflare.com/workers-ai/models/clairic/
【我们的判断】
一、System One 这条线从「选项打分」扩展到「抽数和估值」，覆盖了今天大量浪费在大模型上的结构化输出调用，比如发票金额、交货日期、维修报价。
二、只计输入、不吐 token、输出必然合乎类型，这三点直接解决抽取任务里最烦的 JSON 解析、幻觉数字和重试成本。
三、目前是早期检查点，测试都是 Cloudflare 自己设计的。值得看的是开源权重何时放出，以及 Liquid、Perplexity、OpenAI 这些也在做决策模型的厂商会不会跟进抽取类模型。
英特尔把 Crescent Island 定名为 GPU D 系列：最高 480GB LPDDR5X、1.3 PFLOPS FP8，350 瓦风冷 PCIe 卡单卡可跑约 3000 亿参数模型，已开始送样
【要点】
英特尔 10 月 12 日在 OCP 全球峰会上发布新闻稿（美东时间 15:32，北京时间 10 月 13 日 03:32），给代号 Crescent Island 的数据中心推理 GPU 正式定名为「Intel GPU D 系列」，并首次公布性能指标：基于 Xe3P 架构，最高 480 GB LPDDR5X 显存、1.5 TB/s 显存带宽、1.3 PFLOPS FP8 算力，功耗 350 瓦，采用风冷 PCIe 标准卡。
英特尔称，单卡可运行最高约 3000 亿参数的模型，八卡服务器可跑超过 1 万亿参数的模型，面向大语言模型、长上下文和多租户并发推理，以及机器人等对延迟敏感的场景。不需要液冷或专用机架，可以直接装进现有数据中心。客户送样已经开始，尚未公布正式上市时间和价格。
同场还发布了基于至强 6+ 的 ORv3 机架设计，单机架超过 4.6 万个 CPU 核心、总功耗 133.45 千瓦，主打智能体工作流里的编排和工具调用。据 StorageReview 报道，480 GB 是合作伙伴板卡的上限，英特尔自有品牌卡为 160 GB。
【可核验】
英特尔新闻稿：https://www.intc.com/news-events/press-releases/detail/1783/intel-accelerates-open-infrastructure-for-the-agentic-ai-era
英特尔新闻室：https://www.intel.com/content/www/us/en/newsroom/news/artificial-intelligence/intel-accelerates-open-infrastructure-agentic-ai-era.html
Tom's Hardware：https://www.tomshardware.com/tech-industry/artificial-intelligence/intels-crescent-island-ai-accelerator-officially-powers-new-gpu-d-series-products-chip-delivers-1-3-peak-pflops-of-fp8-compute-and-1-5-tb-s-of-memory-bandwidth
【我们的判断】
一、D 系列不跟英伟达拼峰值，而是用大容量、低成本的 LPDDR5X 换掉 HBM。带宽只有 HBM 卡的零头，但能把大模型和长上下文的 KV 缓存装进一张风冷卡，主攻吃内存的解码阶段。
二、对开源大模型的私有部署来说，「一张卡放下 3000 亿参数」很有吸引力，但前提是英特尔的软件栈和 vLLM 等推理框架真正跟上。英特尔此前的数据中心 GPU 屡次失败，软件是最大短板。
三、还在送样阶段，实际吞吐、价格和供货要等第三方实测。
Inception 发布扩散语言模型 Mercury 3：称超过 GPT-6 Luna 和 Haiku 5.5，每秒 1000+ token、100 万上下文；每百万 token 0.20/0.70 美元，上线五折
【要点】
扩散语言模型公司 Inception 10 月 19 日发布 Mercury 3（联合创始人、斯坦福教授 Stefano Ermon 北京时间 10 月 20 日 00:42 在 X 宣布），称这是迄今能力最强的扩散式大语言模型。和逐字生成的自回归模型不同，扩散模型并行生成、反复修正整段文本，所以速度很快。
官方数据：在一系列基准上达到或超过 GPT-6 Luna 和 Claude Haiku 5.5，速度快 4–8 倍，在英伟达 GPU 上每秒 1068 个 token；上下文从 Mercury 2.5 的 26 万提升到 100 万 token；总参数是 Mercury 1 的 40 多倍，标准基准上的综合能力约为 Mercury 1 mini 的 3 倍。定价每百万 token 输入 0.20 美元、输出 0.70 美元，上线期间五折（0.10/0.35 美元），缓存输入再打一折。
即日起可通过 Inception API 平台以及 OpenRouter、Baseten、Vercel 调用，兼容 OpenAI API。早期合作方 TinyFish 称，在 50 个真实 Mind2Web 网页导航任务上，Mercury 3 完成了一半，明显多于 GPT-6.1 Sol。
【可核验】
官方博客：https://www.inceptionlabs.ai/blog/introducing-mercury-3
Stefano Ermon 发布帖：https://x.com/StefanoErmon/status/2112222911218291051
【我们的判断】
一、要看的是「扩散也能扩展」这个说法。如果第三方测试证实 Mercury 3 在质量上追平主流小模型，扩散路线就不再只是「快但笨」的备选，而是低延迟场景里正面竞争的另一种架构。
二、目前的对比都是 Inception 自己挑的基准和对手，没有公布完整测试设置。最该看的是 Artificial Analysis 等独立评测，以及在长任务、工具调用里的稳定性。
三、语音、实时客服、浏览器智能体这类每一步都在等模型的场景，速度能直接换成体验，是它最可能先打开的市场。
本页由 AGI Pulse 聚合，仅保留标题与链接，不转载正文。 编辑政策